|
|
Statistické zpracování družicových dat gama záblesků
Bystřický, Pavel ; Mészáros, Attila (vedoucí práce) ; Brož, Miroslav (oponent)
V této práci studujeme gama záblesky (anglicky GRBs - Gamma-Ray bursts) - nejjasnější exploze ve vesmíru, které jsou pozorovány již od roku 1967. Kolem gama záblesků jsou stále nevyřešené otázky. První část práce je věnována úvodu do problematiky gama záblesků, a stručné historii pozorování. Druhá část práce je věnována satelitu Fermi, nejnovějšímu satelitu určenému pro pozorování v gama oboru. Popsána je charakteristika jednotlivých pozorovacích přístrojů. Třetí část práce je věnována observačním datům. V této části je popsáno pozorované rozdělení gama záblesků podle doby trvání, vzdálenosti, tvrdosti spektra. Popsána je též charakteristika hostujících galaxií a diskutována je možnost výskytu gama záblesku v Mléčné dráze. Čtvrtá část diplomové práce je věnována problematice modelů gama záblesků. Popsány jsou dva dnes nejvíce akceptované modely, a to model fireball a cannonball. Pátá část je věnována vytvoření expoziční mapy pro Fermi-GBM. Expoziční mapa je nezbytná pro testování isotropního rozložení gama záblesků. Popsány jsou jednotlivé kroky, jak jsem expoziční mapu vytvořil a problémy, které jsou tvorbou s expoziční funkce spojeny. V závěru kapitole je expoziční funkce porovnána s přístrojem BATSE na družici CGRO a družicí Swift. Data potřebná k vytvoření expoziční mapy jsem získal z níže uvedených...
|
|
|
Gradient Boosting Machine and Artificial Neural Networks in R and H2O
Sabo, Juraj ; Bašta, Milan (vedoucí práce) ; Plašil, Miroslav (oponent)
Neuronové sítě jsou jedním z nejvíce fascinujících algoritmů strojového učení. Mají za sebou však velmi bouřlivý vývoj. Neuronové sítě byly dlouho považovány za algoritmus, který je velmi nespolehlivý a výpočetně náročný. Dnes již víme, že moderní neuronové sítě mohou být úspěšně aplikovány v mnoha úlohách, i když jejich hlavní nevýhoda, tedy značná výpočetní náročnost, stále přetrvává. Statistické modely založené na technice boosting, jsou považovány za jednu z nejpřevratnějších myšlenek na poli algoritmů strojového učení. Tyto modely jsou založeny kombinaci několika slabých modelů, které pak dohromady tvoří jeden silný model. Tato práce se zabývá srovnáním těchto dvou modelů na třech reálných případových studiích. První případová studie se zabývá modelováním pravděpodobnosti loupeže v ulicích města Chicago, druhá případová studie je klasickým příkladem modelování pravděpodobnosti, že zákazník telekomunikační společnosti vypoví smlouvu a poslední případová studie je aplikací počítačového vidění. Cílem této práce je také představení open-source platformy pro strojové učení H2O. H2O obsahuje mimo jiné rozhraní pro R a dokáže běžet samostatně, nebo na Hadoop clusteru. Práce také obsahuje úvod do open-source softwarové knihovny pro zpracování velkých dat Apache Hadoop. Konkrétně do open-source distribuce Hortonworks Data Platform.
|
host ::
RSS.